- 基于压缩感知和分组测试的图像鉴黄神经网络高效分类与异常检测
该论文提出了一种基于压缩感知和神经网络的图像自动审核方法，通过使用矩阵池化神经网络来减少运算成本，同时还介绍了基于群组检测和压缩感知的高效自动异常检测技术，为图像社区的自动审核提供了一个性能更好的解决方案。
- 学习针对性策略以加速 MRI
本文提出 TACKLE 方法，通过协同设计技术同时优化采样、重构和预测策略以提升下游任务的性能，该方法在多个公共磁共振成像数据集上实现了改善性能，并在新的实验数据集上展示了很好的泛化性能。
- 一种轻量级的递归学习网络，用于可持续的压缩感知
该论文提出一种轻量级深度神经网络，基于逐渐回复图像的分层结构和使用循环学习进行深度重构，以达到高质量重构图像的同时降低计算、能源和存储成本，模型的性能优于现有压缩感知算法。
- MM基于稀疏学习的水下可见光通信信道估计
本文利用基于压缩感知的框架，充分挖掘水下可见光信道在传播距离域中的稀疏性，提出了一种基于稀疏学习的水下可见光信道估计方案，其中采用深度展开神经网络模拟迭代稀疏恢复算法，取得了比非 CS 和 CS-based 方案更准确的信道估计精度。
- 曲率正则化用于下采样数据的非直视成像
本文提出两种新的非直视成像的曲率正则化模型，基于交替方向乘子法与 GPU 实现的优化算法，实现快速成像和压缩感知重建。经过对合成和真实数据的评估，所提出的算法在压缩感知设置下表现出卓越的性能，是一个解决非线性反问题的有效方法。
- MM图像压缩感知的快速分层深度展开网络
本文提出了一种新的快速分层深度展开网络（FHDUN）用于图像压缩感知，并通过加速 FISTA 的策略实现超过 50％的迭代次数节约， FHDUN 优于现有的最先进的压缩感知方法，同时保持更少的迭代次数。
- 潜在表征空间中的多模态传感器融合
提出了一种基于多模态生成模型的传感器融合方法，该方法应用于多模态融合实验（如多感官分类，去噪和从子采样观测中恢复）。
- 基于投影的 K 空间变换网络用于少样本径向 MRI 重建
使用 Transformer 网络重排径向部分数据以更好地处理非直角 k 空间成像，进而提高 MRI 图像的重建质量
- 具有收敛性和稳健性保证的存储效率模型的深度学习
介绍一种记忆效率高、具有计算成像和深度学习特性的算法，该算法利用了先前压缩感知算法提供的独特性、收敛性和稳定性特点，使用循环梯度下降和共轭梯度算法交替应用以实现数据一致性，同时模拟了单调卷积神经网络的得分函数，保证了输出唯一性和收敛性，而且 - CVPR使用生成模型从非线性观测中进行非迭代恢复
本文提出了一种非线性观测下基于单指数模型和连续型生成模型的信号方向估计方法，具有高效、不迭代的优点，并且在测试中表现优于迭代方法。
- 基于 1 比特压缩感知的叠加 CSI 反馈的深度学习
本文提出了一种基于深度学习的方案，以改进基于压缩感知技术的叠加信道状态信息反馈，包括频分双工、大规模 MIMO、1 比特压缩感知、模型驱动方法和干扰消除技术等方面。该方案能够显著提高用户上联信息和下联信道状态信息的恢复精度，并具有对参数变化 - 更多即更少：通过过度参数化诱导稀疏性
研究了深度学习模型过度参数化和随机梯度下降的泛化能力现象，探讨了稀疏恢复的情况，提出了一种相应的超参数化均方误差损失函数，证明了该函数的梯度下降可以收敛到最小 L1 范数的好近似解。
- 正交 / 向量 AMP 的收敛性：长记忆传递策略
该研究论文证明了 Bayes-optimal 正交 / 向量 AMP 在大系统极限下的收敛性，并通过新的统计解释证明了 Bayes-optimal LM-MP 状态演化递归的收敛性，因而证明了 Bayes-optimal 正交 / 向量 A - 后验采样实例最优压缩感知
本研究研究了来自已知先验分布的信号的压缩感知的测量复杂性，即使先验的支撑是整个空间（而不是稀疏向量）。对于高斯测量和信号上的任何先验分布，我们展示了后验抽样估计器可以实现近乎最优的恢复保证，在模型不匹配的情况下，只要分布估计（例如，从可逆生 - 混合线性测量下稀疏信号的支持恢复
该研究讨论了对于罕见的矢量从简单的测量中进行支持恢复，并考虑了混合线性回归和分类器模型，以及在这些模型中使用的算法。
- Deep J-Sense: 通过展开交替优化来加速 MRI 重建
使用深度学习方法 Deep J-Sense 重建磁共振成像图像，同时优化磁场核和线圈灵敏度图，进一步提高成像效果和鲁棒性。
- MM基于深度学习的毫米波车联网系统压缩波束对准
本文针对毫米波车联网信道的结构特点，提出了基于深度学习的结构化压缩感知 (CS) 矩阵设计方法，该方法融合了稀疏性和车载信道中的空间特征，通过卷积层和全连接层优化信道获取和波束对准，进而在毫米波车联网通信中实现较好的波束对准性能。
- 通过 Langevin 动力学和生成式先验实现可证明的压缩感知
本文研究了在压缩感知中使用深度生成模型以及通过随机梯度 Langevin 动力学方法实现收敛的性质，并证明了该方法的实验性能与标准的梯度下降方法相当。
- 使用深度生成模型进行逆问题的中间层优化
本文提出 Intermediate Layer Optimization（ILO）算法，用于使用深度生成模型解决逆问题，实验表明该算法在包括图像修复、降噪、超分辨率等领域表现优于现有方法。
- 使用放大向量近似传递的压缩感知
本文提出了一种基于 Conjugate Gradient 的算法 CG-VAMP，用于高效解决压缩感知相关的线性反问题，通过热启动方案和理论模型的调优，实现了稳定和高效的大规模图像重建。